超级会员免费看
本文总结了Graph Embedding的主要算法，包括Word2Vec、Item2Vec、DeepWalk、Node2Vec、EGES和LINE。这些算法在深度学习推荐系统中广泛应用，通过将图中的节点映射到低维向量空间，捕捉节点间的结构和语义关系。其中，Node2Vec通过调整随机游走策略平衡同质性和结构性，而LINE则通过一阶和二阶相似度保留局部和全局结构信息。此外，EGES引入补充信息解决冷启动问题。
文章目录
GraphEmbedding系列总结
Embedding is all you need
Embedding 必须是深度学习中的“基本操作”。不论是 NLP（Normal Language Processing，自然语言处理），搜索排序，还是推荐系统，或者 CTR （Click-Through-Rate，点击通过率）模型，Embedding 都扮演着不可或缺的角色
深度学习中，Embedding 特指用一个低维度向量表示一个实体，可以是一个词（Word2Vec），可以是一个物品（Item2Vec），亦或者网络关系中的节点（Graph Embedding）
Graph Embedding在深度学习推荐系统中广泛使用，从 Word2Vec 到 DeepWalk，从 LINE 到 Node2Vec。本文系列总结目前主流的Graph Embedding算法
具体演化图如下：
订阅专栏 解锁全文
扫一扫
578
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
